Reparar texto ilegible en PDF

Acerca de Reparar texto ilegible en PDF

El texto de un PDF son órdenes del tipo «dibuja aquí el glifo 12 de esta fuente». Qué carácter Unicode es el glifo 12 se guarda aparte, en una tabla ToUnicode. Sin ella, el visor tiene que deducirlo a partir de la codificación de la fuente, y cuando falla, el texto copiado sale con símbolos raros o cuadros y la búsqueda no encuentra nada.

Esta herramienta localiza las fuentes simples que no tienen ToUnicode, calcula el carácter de cada código a partir de la codificación y los nombres de glifo, y les añade una tabla nueva. Lo que se ve en la página no cambia.

Qué fuentes se pueden arreglar

El objetivo son fuentes simples de un byte (Type 1, TrueType y similares) sin ToUnicode. La herramienta obtiene código → nombre de glifo a partir de la tabla base de /Encoding (WinAnsi, MacRoman o Standard) y su lista /Differences, y luego nombre de glifo → Unicode. Su tabla de nombres es la Adobe Glyph List completa (unos 4.300 nombres): ASCII y las letras de Europa occidental —á, é, ñ, ü, ¿, ¡—, letras de Europa central como ą, ę o ł, griego (alpha, etc.), cirílico con nombres del tipo afii10017, hebreo y árabe, signos habituales como comillas tipográficas, rayas, € y las ligaduras fi/fl, y los nombres con forma uni00E9.

• Se omiten: las fuentes compuestas (Type 0 / CID), que usan casi todos los PDF en chino, japonés o coreano.
• Se omiten: las fuentes Type 3 y las simbólicas sin /Encoding, cuya relación entre código y forma solo está dentro del programa de fuente.
• Se omiten: las fuentes que ya tienen ToUnicode, aunque sea incorrecta. Nunca se sobrescribe.
• Parcial: nombres sin significado (g12, glyph34) o inventados por el fabricante de la fuente no están en la tabla, así que esos caracteres quedan sin mapear.

Por qué a veces el visor acierta de todos modos

Algunos visores leen ellos mismos los nombres de /Differences, así que el mismo archivo puede copiarse bien en un programa y mal en otro o en un lector de pantalla. Añadir ToUnicode deja la correspondencia explícita para todos —visores, extractores de texto, buscadores y tecnologías de apoyo— en lugar de depender de las suposiciones de cada uno. La guía Cómo funciona un archivo PDF explica el contexto de fuentes y flujos de contenido.

Ejemplos

Cómo se usa

1. Elige el PDF. No hay opciones que ajustar.
2. Ejecuta: se revisan todas las fuentes y las simples sin ToUnicode reciben una tabla nueva.
3. Mira cuántas fuentes se arreglaron y cuántas se omitieron, y copia texto del resultado para comprobarlo.

Preguntas frecuentes